[논문 리뷰] Consensus Division in an Arbitrary Ratio

Goldberg, Paul, Li, Jiawei|arXiv (Cornell University)|2020. 06. 30.

Digital Image Processing Techniques참고 문헌 22인용 수 4

한 줄 요약

이 논문은 ǫ-공동의견 분할과 목걸이 분할에 대한 효율적인 근사 알고리즘을 제시하며, 적은 수의 컷을 사용하여 제한된 이질성으로 공정한 분할을 달성한다. 온라인 알고리즘을 도입하여 각 에이전트가 각 측정값의 최소 1/nk를 확보하도록 보장하고, 근사 최적의 컷 복잡도를 제공한다. 또한 두 문제에 대해 온라인 모델에서의 근사 최적성에 대한 날카로운 하한선을 제시한다.

ABSTRACT

We provide approximation algorithms for two problems, known as NECKLACE SPLITTING and $ε$-CONSENSUS SPLITTING. In the problem $ε$-CONSENSUS SPLITTING, there are $n$ non-atomic probability measures on the interval $[0, 1]$ and $k$ agents. The goal is to divide the interval, via at most $n (k-1)$ cuts, into pieces and distribute them to the $k$ agents in an approximately equitable way, so that the discrepancy between the shares of any two agents, according to each measure, is at most $2 ε/ k$. It is known that this is possible even for $ε= 0$. NECKLACE SPLITTING is a discrete version of $ε$-CONSENSUS SPLITTING. For $k = 2$ and some absolute positive constant $ε$, both of these problems are PPAD-hard. We consider two types of approximation. The first provides every agent a positive amount of measure of each type under the constraint of making at most $n (k - 1)$ cuts. The second obtains an approximately equitable split with as few cuts as possible. Apart from the offline model, we consider the online model as well, where the interval (or necklace) is presented as a stream, and decisions about cutting and distributing must be made on the spot. For the first type of approximation, we describe an efficient algorithm that gives every agent at least $\frac{1}{nk}$ of each measure and works even online. For the second type of approximation, we provide an efficient online algorithm that makes $ ext{poly}(n, k, ε)$ cuts and an offline algorithm making $O(nk \log \frac{k}ε)$ cuts. We also establish lower bounds for the number of cuts required in the online model for both problems even for $k=2$ agents, showing that the number of cuts in our online algorithm is optimal up to a logarithmic factor.

연구 동기 및 목표

• 에이전트 간의 공정성은 제한된 이질성으로 측정되는 ǫ-공동의견 분할과 목걸이 분할에 대한 효율적인 근사 알고리즘을 개발하는 것.
• 최소한의 컷을 사용하면서 실시간으로 결정을 내리는 온라인 알고리즘을 설계하여 각 에이전트가 각 측정값의 공정한 비율을 확보하도록 하는 것.
• 온라인 모델에서 필요한 컷 수에 대한 날카로운 하한선을 확립하여 제안된 알고리즘이 근사적으로 최적임을 증명하는 것.
• 2-에이전트 케이스(반으로 나누기)에서의 결과를 일반화하여 k-에이전트 공동의견 분할 및 목걸이 분할 문제로 확장하는 것.

제안 방법

• 논문은 각 새로운 생성된 간격을 확률 1/k로 무작위로 에이전트에게 배분하는 랜덤화된 온라인 알고리즘을 도입하여, 각 에이전트가 각 측정값의 최소 1/nk를 확보하도록 보장한다.
• 각 측정값에서 에이전트 간의 쌍별 이질성에 대해 정의된 잠재 함수 ψ를 사용하며, 수정된 지수 모멘트 부등식을 통해 알고리즘이 실행 중일 때 이 함수가 증가하지 않음을 증명한다.
• 오프라인 케이스에서는 에이전트를 두 하위집단으로 그룹화하고 공정 분할을 재귀적으로 수행하며, 각 단계에서 수정된 온라인 알고리즘을 사용하여 오차를 제한한다.
• 이론 분석은 hyperbolic cosine와 지수 경계를 포함하는 정교한 부등식을 사용하여 이질성의 성장을 통제하며, 표준 체르노프 스타일의 경계를 대체한다.
• 목걸이 분할의 경우, 구슬 수가 임계값 이하로 떨어질 때 '핵심' 색상으로 정의함으로써 온라인 ǫ-공동의견 분할 접근법을 적응시킨다. 이는 균형 잡힌 분포를 가능하게 한다.
• n=2개의 측정값인 경우, 원형 목걸이에 대한 이산 중간값 정리에 기반하여 정확히 2k−2개의 컷을 사용하는 최적의 오프라인 알고리즘이 존재함을 증명한다.

실험 결과

연구 질문

• RQ1 최대 n(k−1)개의 컷 제약 하에, 각 에이전트가 각 측정값의 상수 비율 이상을 확보할 수 있는 효율적인 온라인 알고리즘을 설계할 수 있는가?
• RQ2 ǫ-공동의견 분할과 목걸이 분할 문제에서 온라인 모델에서 필요한 최적의 컷 수는 얼마이며, 이를 날카로운 하한선으로 유도할 수 있는가?
• RQ3 에이전트당 수확량에 대한 1/nk 하한선을 n에 독립적인 상수 c(k) > 0로 향상시킬 수 있는가?
• RQ4 n=2개의 측정값을 가진 온라인 ǫ-공동의견 반으로 나누기 문제에서, 알려진 Ω(1/ǫ) 하한선과 O(1/ǫ²) 상한선 사이의 격차를 좁힐 수 있는가?
• RQ5 온라인 목걸이 반으로 나누기 문제에서 필요한 컷 수의 정확한 渐近 복잡도는 얼마이며, 현재의 상한선 Õ(m²ᐟ³)과 일치하는가?

주요 결과

• 온라인 알고리즘은 각 에이전트가 각 측정값의 최소 1/nk를 확보하며, 실행 중 잠재 함수 ψ가 증가하지 않음을 보장한다.
• 온라인 알고리즘의 컷 수는 O(poly(n, k, 1/ǫ))이며, 이는 로그 인자까지 최적임이 하한선 분석을 통해 입증된다.
• 오프라인 모델에서는 알고리즘이 O(nk log k / ǫ)개의 컷을 사용하며, 일반적인 경우에 대해 근사적으로 최적이다.
• 특수 케이스인 n=2개의 측정값에서는 정확히 2k−2개의 컷을 사용하는 최적의 오프라인 알고리즘이 존재하며, 원형 목걸이의 성질과 이산 중간값 정리를 통해 증명된다.
• 목걸이 분할의 경우, 온라인 알고리즘은 Õ(nk¹ᐟ³ · m²ᐟ³)개의 컷을 사용하며, k ≤ m일 때 효율적이며, 이 경계는 로그 인자까지 날카로운 하한선을 반영한다.
• 논문은 k=2일 때, ǫ-공동의견 반으로 나누기와 목걸이 반으로 나누기 문제 모두 온라인 모델에서 Ω(1/ǫ)개의 컷이 필요하며, 이는 로그 인자까지 하한선과 일치함을 증명한다.